《Python 深度学习》3.5 新闻分类：多分类问题（代码）

本节会构建一个网络，将路透社新闻划分为 46 个互斥的主题。因为有多个类别，所以这是多分类（multiclass classification）问题的一个例子。因为每个数据点只能划分到一个类别，所以更具体地说，这是单标签、多分类（single-label, multiclass classification）问题的一个例子。如果每个数据点可以划分到多个类别（主题），那它就是一个多标签、多分类（multilabel, multiclass classification）问题。

## 1. 加载路透社数据集

from tensorflow.keras.datasets import reuters
(train_data, train_labels), (test_data, test_labels) = reuters.load_data(num_words=10000)

len(train_data)

len(test_data)

train_data[10]

##  2. 将索引解码为新闻文本

word_index=reuters.get_word_index()
reverse_word_index=dict([(value,key) for (key,value) in word_index.items()])
decoded_newswire="".join([reverse_word_index.get(i-3,"?") for i in train_data[0]]) 
#注意，索引减去了3，因为0、1、2是为“ padding”（填充）、“ start of sequence”（序列开始）、“ unknown”（未知词）分别保留的索引
#样本对应的标签是一个0~45范围内的整数，即话题索引编号。

train_labels[10]

## 3. 编码数据

import numpy as np

def vectorize_sequences(sequences, dimension=10000):
    results = np.zeros((len(sequences), dimension))
    for i, sequence in enumerate(sequences):
        results[i, sequence] = 1.
    return results

x_train = vectorize_sequences(train_data)#将训练数据向量化
x_test = vectorize_sequences(test_data)#将测试数据向量化

#one-hot编码：在这个例子中，标签的one-hot编码就是将每个标签的表示为全零向量，只有标签索引对应的元素为1。
def to_one_hot(labels, dimension=46):
    results = np.zeros((len(labels), dimension))
    for i, label in enumerate(labels):
        results[i, label] = 1.
    return results

one_hot_train_labels = to_one_hot(train_labels)#将训练数据向量化
one_hot_test_labels = to_one_hot(test_labels)#将测试数据向量化

## 3. 构建网络

from tensorflow.keras import models
from tensorflow.keras import layers
model = models.Sequential()
model.add(layers.Dense(64, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(46, activation='softmax'))

## 4. 编译模型

model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])

## 5. 留出验证集

x_val = x_train[:1000] #验证集
partial_x_train = x_train[1000:]
y_val = one_hot_train_labels[:1000] #验证集
partial_y_train = one_hot_train_labels[1000:]

## 6. 训练模型

history = model.fit(partial_x_train,
partial_y_train,
epochs=20,
batch_size=512,
validation_data=(x_val, y_val))

## 7. 绘制训练损失和验证损失

import matplotlib.pyplot as plt
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(1, len(loss) + 1)
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()

## 8. 绘制训练精度和验证精度

plt.clf() #清除图像

acc = history.history["accuracy"]
val_acc = history.history['val_accuracy']

plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()

plt.show()

#发现迭代数为9，可以得到较好的预测精度。然后将验证集重新归入训练集，迭代次数为9，重新训练，最终用于测试。

## 9. 从头开始重新训练一个模型

model = models.Sequential()
model.add(layers.Dense(64, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(46, activation='softmax'))

model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])

model.fit(partial_x_train,
partial_y_train,
epochs=9,
batch_size=512,
validation_data=(x_val, y_val))

results = model.evaluate(x_test, one_hot_test_labels)

results

#这种方法可以得到约78%的精度。

## 10. 在新数据上生成预测结果

predictions=model.predict(x_test)

predictions[0].shape #predictions中的每个元素都是长度为46的向量。

np.sum(predictions[0]) #这个向量的所有元素总和为1。

np.argmax(predictions[0]) #最大的元素就是预测类别，即概率最大的类别。

• 如果要对 N 个类别的数据点进行分类，网络的最后一层应该是大小为 N 的 Dense 层。
• 对于单标签、多分类问题，网络的最后一层应该使用 softmax 激活，这样可以输出在 N个输出类别上的概率分布。
• 这种问题的损失函数几乎总是应该使用分类交叉熵。它将网络输出的概率分布与目标的 真实分布之间的距离最小化。
• 处理多分类问题的标签有两种方法。
• 通过分类编 码（也叫 one-hot 编码）对标签进行编码，然后使用 categorical_crossentropy 作为损失函数。
• 将标签编码为整数，然后使用 sparse_categorical_crossentropy 损失函数。
• 如果你需要将数据划分到许多类别中，应该避免使用太小的中间层，以免在网络中造成信息瓶颈。